一种用于生成高质量人群密度图的方法与流程

本发明涉及视频监控下人群场景分析技术领域，特别涉及一种用于生成高质量人群密度图的方法。

背景技术：

随着计算机视觉技术的发展，人们生活中越来越多的使用监控摄像头。有效的人群场景分析对保障公共安全至关重要。而人群密度图又是人群场景分析中必不可少的一环，现有的基于卷积神经网络的一些人群计数方法在高密集度的场景中获得很高的准确率，但是这些方法都高估或者低估了图片中高密度区域和低密度区域。

因此，如何获得准确的、高质量的密度图是急需解决的技术问题。

技术实现要素：

本发明的目的是：提出一种用于生成高质量人群密度图的方法，以满足如今对人群场景分析中准确率的需求。

本发明解决其技术问题所采用的技术方案是：

一种用于生成高质量人群密度图的方法，包括如下步骤：

S1、将采集到的图片输入至全局密集度等级分类网络，获得相应的全局密集度概率分布特征图；

S2、将采集到的图片输入至高维特征图估计网络，获得高维特征图；

S3、将采集到的图片输入至局部密集度等级分类网络，获得相应的局部密集度概率分布特征图；

S4、采用图像通道融合算法，融合以上获得的所述全局密集度概率分布图、所述高维特征图和所述局部密集度概率分布特征图，得到融合特征图；

S5、将所述融合特征图分别经过卷积和反卷积处理，得到高分辨率的特征图，然后再经过一个卷积核大小为1*1的卷积处理，将所述高分辨率的特征图映射成最终的高质量人群密度图。

进一步优化技术方案，所述全局密集度概率分布特征图的获取步骤如下：

S11、首先根据图片数据集中人数规模大小，将图片数据集中的图片密集度划分成5个等级：非常密集、密集、中等、稀疏和非常稀疏；

S12、将待处理图片输入所述全局密集度等级分类网络，得到待处理图片分别属于5个等级的概率值；

S13、创建一个空的5*(W/8)*(H/8)特征图，其中W和H是待处理图片的宽和高，然后将分类网络得到5个概率值填入创建的特征图中，得到全局密集度概率分布特征图。

作为进一步优化技术方案，所述全局密集度等级分类网络是基于一个VGG16卷积神经网络结构，且保持VGG16卷积神经网络结构中的13层卷积不变，并修改其三层全连接层的通道数分别为512、256和5。

进一步优化技术方案，所述高维特征图的具体获取步骤如下：

S21、搭建高维特征图估计网络，所述高维特征图估计网络包括第一分支网络和第二分支网络；所述第一分支网络由VGG16除去三层全连接层得到；所述第二分支网络是一个三层卷积网络结构，且其卷积核大小为5*5；

S22、将采集到的图片分别输入至所述第一分支网络和第二分支网络，从而得到相应的特征图；

S23、将两个分支网络获得的特征图进行融合，获得高维特征图。

进一步优化技术方案，所述局部密集度概率分布特征图的具体获取步骤如下：

S31、首先根据图片数据集中人数规模大小，将图片数据集中的图片密集度划分成五个等级：非常密集、密集、中等、稀疏和非常稀疏；

S32、利用一个64x64的滑动窗口在采集到的图片上截取图像，并将截取到的图像输入至一个局部密集度等级分类网络中，从而获得该窗口图像密集度属于五个等级的概率值；所述局部密集度等级分类网络由5层卷积层和3层全连接层构成；

S33、创建一个空的5*W*H的特征图，其中W和H是输入图片的宽和高，然后在特征图上找到和所述滑动窗口宽度相对应的位置，并填入该窗口密集度分类概率值；

S34、将填满密集度分类概率值的特征图大小调整为5*(W/8)*(H/8)，进而获得所述局部密集度概率分布特征图。

本发明的有益效果是：采用本方案获取的人群密度图准确度和分辨率更高，更加能够符合如今对人群场景分析中准确率的需求。

附图说明

图1是本发明的总流程图。

图2是全局密集度等级分类网络的获取流程图。

图3是高维特征图估计网络的获取流程图。

图4是局部密集度等级分类网络的获取流程图。

具体实施方式

以下结合附图。对本发明做进一步说明。

本发明的实施过程主要基于三个网络结构，分别为：全局密度集等级分类网络、高维特征图估计网络和局部密集度等级分类网络。

其中，全局密集度等级分类网络是基于一个VGG16卷积神经网络结构，且保持VGG16卷积神经网络结构中的13层卷积不变，并修改其三层全连接层的通道数分别为512、256和5。

其中，高维特征图估计网络包括第一分支网络和第二分支网络；所述第一分支网络由VGG16除去三层全连接层得到；所述第二分支网络是一个三层卷积网络结构，且其卷积核大小为5*5。

其中，局部密集度等级分类网络由5层卷积层和3层全连接层构成。

本发明的总流程如图1所示，一种用于生成高质量人群密度图的方法，包括如下步骤：

S1、将采集到的图片输入至全局密集度等级分类网络，获得相应的全局密集度概率分布特征图；

S2、将采集到的图片输入至高维特征图估计网络，获得高维特征图；

S3、将采集到的图片输入至局部密集度等级分类网络，获得相应的局部密集度概率分布特征图；

S4、采用图像通道融合算法，融合以上获得的所述全局密集度概率分布图、所述高维特征图和所述局部密集度概率分布特征图，得到融合特征图；

S5、将所述融合特征图分别经过卷积和反卷积处理，得到高分辨率的特征图，然后再经过一个卷积核大小为1*1的卷积处理，将所述高分辨率的特征图映射成最终的高质量人群密度图。

其中，全局密集度概率分布特征图的具体获取步骤如图2所示，包括如下：

S11、首先根据图片数据集中人数规模大小，将图片数据集中的图片密集度划分成5个等级：非常密集、密集、中等、稀疏和非常稀疏；

S12、将待处理图片输入全局密集度等级分类网络，得到待处理图片分别属于5个等级的概率值；

S13、创建一个空的5*(W/8)*(H/8)特征图，其中W和H是待处理图片的宽和高，然后将分类网络得到5个概率值填入创建的特征图中，得到全局密集度概率分布特征图。

其中，高维特征图的具体获取步骤如图3所示，包括如下：

S21、搭建高维特征图估计网络，高维特征图估计网络包括第一分支网络和第二分支网络；所述第一分支网络由VGG16除去三层全连接层得到；所述第二分支网络是一个三层卷积网络结构，且其卷积核大小为5*5；

S22、将采集到的图片分别输入至所述第一分支网络和第二分支网络，从而得到相应的特征图；

S23、将两个分支网络获得的特征图进行融合，获得高维特征图。

其中，局部密集度概率分布特征图的具体获取步骤如图4所示，包括如下：

S31、首先根据图片数据集中人数规模大小，将图片数据集中的图片密集度划分成五个等级：非常密集、密集、中等、稀疏和非常稀疏；

S32、利用一个64x64的滑动窗口在采集到的图片上截取图像，并将截取到的图像输入至一个局部密集度等级分类网络中，从而获得该窗口图像密集度属于五个等级的概率值；局部密集度等级分类网络由5层卷积层和3层全连接层构成；

S33、创建一个空的5*W*H的特征图，其中W和H是输入图片的宽和高，然后在特征图上找到和滑动窗口宽度相对应的位置，并填入该窗口密集度分类概率值；

S34、将填满密集度分类概率值的特征图大小调整为5*(W/8)*(H/8)，进而获得局部密集度概率分布特征图。

以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。